利用自动化机器学习模型对城市排水系统溢流污染机制进行数据驱动的解释

《Journal of Water Process Engineering》：Data-driven interpretation of overflow pollution mechanism of urban drainage system using automated machine learning model

本研究提出基于机器学习的自动优化模型（TSSA-BPNN），用于分析城市排水系统中湿 weather overflow污染的非线性关系。通过SHAP分析发现人为因素（如非法排污）和自然降雨是主要驱动因素，模型预测准确率提升22.6–71.1%。建议优先消除非法排放并实施智能雨水控制以减轻污染。

　　随着城市化进程的加快，城市排水系统在暴雨期间产生的溢流污染问题日益严重，对水体质量的恢复构成了重大挑战。这种污染现象通常发生在降雨期间，管道内的瞬时水流超过了合流或分流排水系统的拦截能力，导致未经处理的污水直接排放到自然水体中。溢流污染不仅包含未经处理的污水，还可能混合地表径流和管道内沉积的泥沙，其污染物浓度甚至可能超过原始污水的水平。这种间歇性且高负荷的污染事件常常引发黑臭水体，对水生态系统和公众健康构成威胁。为了制定有效的应对策略，理解溢流污染的根本机制变得尤为重要。

传统上，研究人员主要通过现场监测暴雨期间的溢流流量和污染物浓度来分析溢流污染的特征和成因。在过去几十年中，许多研究聚焦于合流和分流排水系统的溢流污染问题，探讨了污染物负荷的时间变化、首次冲刷现象、不同排水系统中的污染水平以及不当排污和天气条件的影响。此外，一些研究还利用质量平衡方法对污染源进行贡献分析。然而，这些研究大多依赖于统计分析方法，以量化降雨事件（如小雨、中雨和大雨）或排水系统运行情况（如溢流流量和干旱期天数）对溢流污染的影响。尽管如此，仍然缺乏专门研究利用机器学习（ML）方法来揭示溢流污染机制的研究。同时，在确定模型结构以实现最佳性能方面也面临挑战，传统上模型结构是通过人工设计和测试，这一过程既耗时又容易出错。因此，需要探索一种自动化机器学习方法，以优化模型结构并提高预测精度。

鉴于上述背景，本研究致力于开发一种基于机器学习的方法，以揭示城市排水系统在暴雨期间的溢流污染机制。具体而言，设计了一个机器学习框架，将人为和自然因素与暴雨溢流污染联系起来。随后，建立了一个自动化机器学习模型，以提高预测输出的准确性。该模型与三种传统机器学习模型进行了比较，以验证其有效性。此外，对各种因素对暴雨溢流污染的影响进行了定量分析，并识别了主要的驱动因素。最后，提出了针对性的污染控制策略。

本研究的实验区域位于上海市市中心的一个典型城市化流域，总面积为11.03平方公里。该流域由四个相邻的分流排水和雨水排放系统组成，即丁北、闸光、镇江东和镇西系统（分别简称为DB、ZG、ZJD和ZX系统）。每个雨水排放系统末端均设有雨水泵站，用于排出积累在管道内的水流。研究区域的地形和排水系统布局为分析暴雨期间的溢流污染提供了良好的条件。

在模型开发方面，本研究提出了一种名为TSSA-BPNN的自动化机器学习模型。该模型通过优化方法对模型结构和参数进行设计和调整，从而提高预测性能。模型的性能评估显示，其在预测COD、NH3-N和SS等污染物浓度方面取得了显著的提升。通过优化模型结构，TSSA-BPNN模型能够更准确地捕捉人为和自然因素对溢流污染的影响，其预测精度较传统模型提高了22.6%-71.1%。这种提升主要归因于模型结构的优化，使其能够更好地适应复杂的非线性关系。

进一步的分析表明，人为因素，特别是非法排污和峰值溢流率，是溢流污染的主要驱动因素。其背后机制源于降雨引发的冲洗效应，即在降雨期间，水流速度的增加会促使管道内沉积的泥沙被冲刷出来，从而引发污染事件。因此，有效的缓解措施应优先消除排水系统中的非法排污，同时实施智能雨水控制策略以减少峰值流量。这些发现不仅加深了对城市排水系统动态机制的理解，也为可持续的水基础设施管理提供了数据驱动的框架。

本研究的成果为城市排水系统的管理提供了新的思路。通过引入自动化机器学习方法，不仅提高了预测精度，还增强了模型的可解释性。传统的机器学习模型在预测性能方面表现良好，但在解释性方面存在不足。而自动化机器学习模型则能够在设计和优化模型结构的同时，提高模型的可解释性，使其更适用于实际的水管理应用。因此，这种模型在未来的水污染控制和管理中具有广阔的应用前景。

此外，本研究还强调了多源数据在机器学习模型中的重要性。通过整合环境、社会、水量和水质等多方面的数据，模型能够更全面地反映城市排水系统的运行状态和污染特征。这种数据融合的方式不仅提高了模型的预测能力，还增强了其在实际应用中的鲁棒性。例如，在实时水质监测和预警方面，模型能够提供更加准确和及时的信息，有助于及时采取措施，防止污染事件的发生。

在模型应用方面，TSSA-BPNN模型不仅在预测污染物浓度方面表现出色，还在识别污染源方面提供了有力支持。通过Shapley Additive exPlanations（SHAP）分析，模型能够揭示哪些因素对溢流污染的影响最为显著。这种分析方法有助于确定关键的污染源，并为制定针对性的污染控制措施提供依据。例如，非法排污和峰值溢流率被识别为影响最大的因素，因此，减少非法排污和优化排水系统运行管理成为缓解溢流污染的关键措施。

本研究的结论表明，自动化机器学习方法在城市排水系统管理中具有显著优势。与传统方法相比，TSSA-BPNN模型不仅提高了预测精度，还增强了模型的可解释性，使其更适用于实际应用。此外，通过多源数据的整合和优化模型结构，模型能够更全面地反映城市排水系统的运行状态和污染特征。这些发现为未来城市排水系统的管理提供了新的思路和方法，有助于实现更高效、更可持续的水管理目标。

在实际应用中，TSSA-BPNN模型能够为城市管理者提供科学依据，帮助他们制定有效的污染控制策略。例如，通过识别非法排污作为主要污染源，管理者可以采取措施减少非法排污的发生，如加强监管、提高公众意识等。同时，通过实施智能雨水控制策略，可以有效减少峰值流量，从而降低溢流污染的发生概率。这些策略的实施不仅有助于改善水质，还能够提高城市排水系统的运行效率和可靠性。

此外，本研究还强调了机器学习在环境管理中的广泛应用前景。随着人工智能技术的发展，机器学习方法在处理复杂问题方面展现出强大的能力。在水管理领域，机器学习不仅能够用于预测水质指标，如溶解氧、粪便菌群和叶绿素-a，还能够用于分析地下水污染物的分布，如砷和氟。这些模型的应用有助于分类水资源、追踪污染物来源，从而提高水管理的效率和效果。

在城市排水系统的运行管理中，机器学习方法同样展现出巨大的潜力。例如，机器学习可以用于解决排水网络中的各种问题，包括泥沙管理、缺陷检测、堵塞预测、排水水质预测以及运行优化。通过处理时间序列数据，机器学习方法能够捕捉长期依赖关系，提高预测精度。此外，通过整合多源数据，机器学习模型能够提供更加准确和全面的预测结果，有助于优化排水系统的运行管理。

然而，尽管机器学习方法在水管理领域展现出诸多优势，其在可解释性方面仍存在不足。传统的机器学习模型虽然在预测性能方面表现良好，但往往难以解释其预测结果的来源。因此，开发一种能够同时提高预测性能和可解释性的自动化机器学习模型成为研究的重点。TSSA-BPNN模型通过优化方法对模型结构和参数进行设计，使其不仅在预测精度上优于传统模型，还在可解释性方面表现出色。这种模型的开发为未来的水管理提供了新的工具，有助于实现更加科学和高效的管理策略。

本研究的成果不仅有助于提高城市排水系统的管理效率，还为其他相关领域提供了借鉴。例如，在环境监测和污染控制方面，自动化机器学习方法能够提供更加准确和及时的信息，有助于制定针对性的措施。此外，在水资源管理和保护方面，机器学习方法能够帮助识别关键的污染源，优化管理策略，从而实现可持续的水资源利用。

总之，本研究通过引入自动化机器学习方法，为城市排水系统的溢流污染问题提供了新的解决方案。通过优化模型结构和参数，提高了预测精度和可解释性，使模型能够更有效地揭示污染机制，并为制定针对性的缓解措施提供依据。这些发现不仅加深了对城市排水系统动态机制的理解，也为未来的水管理提供了数据驱动的框架，有助于实现更加高效和可持续的管理目标。